.png){kind=icon}
返回
Automatic Deep Anomaly Detection using Thermograpy based Convolution Autoencoder Framework
.png){kind=icon}
PRE
AI
DOI：10.1007/s10921-026-01360-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
金属和复合材料结构因其高机械强度和耐久性而在各种工业中广泛应用。然而，制造和运行阶段产生的缺陷限制了其未来用途，并通过非侵入式检测进行推荐。二次调频热成像（QFMT）是一种适用于多种材料的无损检测技术，因其低频高能沉积而增强了缺陷特征。近年来，QFMT技术与基于机器学习和深度学习的技术相结合。相比之下，热特征的高度不平衡和稀缺性最近在异常检测模型中引起了关注。本文提出了一种由堆叠去噪卷积自编码器（SDCAE）驱动的局部离群因子（LOF）方法，用于识别经QFMT检测的低碳钢和碳纤维增强聚合物试样的缺陷。从时序热特征中提取的深度特征进一步输入LOF以实现自动缺陷检测。与近期引入的深度异常检测模型和其他自编码器模型的定量比较，用于性能分析，进一步证实了所提方法在自动缺陷检测中的适用性。
Keyword:
Infrared thermography
Mild steel
CFRP
Stacked denoising convolution autoencoder
Local outlier factor
Quadratic frequency modulated thermography
期刊
IF:
2.4
论文数:
283
被引数:
2.7K
机构
引用论文
The Feature Recognition of CFRP Subsurface Defects Using Low-Energy Chirp-Pulsed Radar Thermography
PREAI
分享收藏A Spatiotemporal Deep Neural Network Useful for Defect Identification and Reconstruction of Artworks Using Infrared Thermography.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Temporal and spatial deep learning network for infrared thermal defect detection用于红外热缺陷检测的时空深度学习网络OAAI
OAAI分享收藏Temporal denoising and deep feature learning for enhanced defect detection in thermography using stacked denoising convolution autoencoder时间去噪和深度特征学习，用于使用堆叠去噪卷积自动编码器增强热成像中的缺陷检测
PREAI
分享收藏Constrained Autoencoder-Based Pulse Compressed Thermal Wave Imaging for Sub-Surface Defect DetectionIEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏Morales-Cervantes, A., Chávez-Campos, G. M., Vergara-Hernández, H. J., Flores, J. J., and Guevara, E., Monitoring Steel Heating Processes Using Infrared Thermography and Deep Learning-Based Semantic Segmentation, JOM, vol. 76, no. 1, pp. 114–119, 2024. https://doi.org/10.1007/s11837-023-06212-8Morales-Cervantes, A., Chávez-Campos, G. M., Vergara-Hernández, H. J., Flores, J. J., and Guevara, E.，利用红外热成像和基于深度学习的语义分割监测钢材加热过程，JOM，卷. 76，第1期，第114–119页，2024。https://doi.org/10.1007/s11837-023-06212-8
IF0
PREAI
分享收藏
查看更多内容